孫曉哲，白玉軒，楊建忠

(1.中國民航大學(xué)安全科學(xué)與工程學(xué)院，天津 300300；2.中國民航大學(xué)，天津市民用航空器適航與維修重點(diǎn)實(shí)驗(yàn)室，天津 300300； 3.中國商飛北京民用飛機(jī)技術(shù)研究中心，北京 102211)

0 前言

隨著多電/全電飛機(jī)技術(shù)發(fā)展的趨勢(shì)和飛控技術(shù)的進(jìn)步，電作動(dòng)技術(shù)逐漸應(yīng)用于飛控舵面作動(dòng)系統(tǒng)中[1]，如波音B787、空客A350等機(jī)型的飛控舵面已采用了電作動(dòng)技術(shù)。機(jī)電作動(dòng)系統(tǒng)中包含多種類型傳感器如位置、轉(zhuǎn)速和電流傳感器等，以反饋實(shí)際位置、轉(zhuǎn)速和電流信息來進(jìn)行自動(dòng)控制。因此，傳感器輸出的正確性直接影響了機(jī)電作動(dòng)系統(tǒng)控制的正確性。從傳感器的結(jié)構(gòu)和工作原理來看，傳感器在實(shí)際應(yīng)用中的可靠性比機(jī)械組件要低很多，是系統(tǒng)相對(duì)可靠性有待提升的環(huán)節(jié)。例如，印尼獅航空難事故中飛機(jī)的攻角傳感器發(fā)生故障，2個(gè)傳感器的輸出差值超過閾值，無法確定正確的傳感器，使得飛機(jī)接收到了錯(cuò)誤的攻角信息。目前對(duì)于機(jī)電作動(dòng)系統(tǒng)傳感器故障檢測(cè)的研究較多，而針對(duì)故障后傳感器信號(hào)的恢復(fù)問題的研究相對(duì)較少。

法國某大學(xué)的LAMIH實(shí)驗(yàn)室提出了一種針對(duì)飛機(jī)冗余傳感器的故障檢測(cè)與隔離方法[2]，目標(biāo)是在一組(一般為3個(gè))冗余信號(hào)參數(shù)中選擇有效參數(shù)；設(shè)計(jì)了基于傳感器中非故障信號(hào)的數(shù)據(jù)融合算法，利用動(dòng)態(tài)權(quán)重恢復(fù)故障后的信號(hào)。NASA的SILVA等[3]提出了一種采用神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)，該系統(tǒng)結(jié)合了面向?qū)ο蠼?、?guī)則和語義網(wǎng)絡(luò)來處理機(jī)電作動(dòng)系統(tǒng)中的傳感器故障，如偏置、漂移、縮放和丟失，利用故障參數(shù)提取的傳感器校正模塊進(jìn)行信號(hào)反推，進(jìn)而完成信號(hào)的回復(fù)；但是該方法不能處理如卡阻、斷開等故障模式。巴西某大學(xué)的REYES等[4]提出一種在線監(jiān)測(cè)和校正多個(gè)傳感器測(cè)量值的神經(jīng)網(wǎng)絡(luò)故障檢測(cè)策略，實(shí)現(xiàn)故障傳感器校正。綜上，目前的研究僅依靠確定的故障強(qiáng)度對(duì)原信號(hào)進(jìn)行反推，并未考慮傳感器信號(hào)完全喪失后的信號(hào)恢復(fù)。另外機(jī)電作動(dòng)系統(tǒng)指令為人為輸入，不能事先確定，指令信號(hào)由此產(chǎn)生的不確定性也為信號(hào)恢復(fù)帶來了挑戰(zhàn)。

機(jī)電作動(dòng)系統(tǒng)傳感器故障信號(hào)分為液態(tài)和非液態(tài)故障：液態(tài)故障指在正常信號(hào)上進(jìn)行疊加的異常信號(hào)如偏置與噪聲，而非液態(tài)故障包括斷開、卡阻和斷續(xù)等故障模式。文獻(xiàn)中利用故障強(qiáng)度反推原信號(hào)的方法不能解決非液態(tài)故障信號(hào)恢復(fù)的問題，而動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)可以根據(jù)歷史值進(jìn)行學(xué)習(xí)并預(yù)測(cè)正確值，基于此原理可利用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)方法進(jìn)行非液態(tài)故障如信號(hào)喪失情況下的信號(hào)恢復(fù)。

本文作者針對(duì)無法判定正確的傳感器以及信號(hào)完全喪失情況下的信號(hào)恢復(fù)問題，采用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的方法開展了機(jī)電作動(dòng)系統(tǒng)傳感器的信號(hào)恢復(fù)研究。

1 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)概述

與靜態(tài)神經(jīng)網(wǎng)絡(luò)采用相同的網(wǎng)絡(luò)架構(gòu)與參數(shù)進(jìn)行推理不同的是，動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在處理不同測(cè)試樣本時(shí)，動(dòng)態(tài)地調(diào)節(jié)自身的結(jié)構(gòu)/參數(shù)，且進(jìn)行計(jì)算時(shí)還利用當(dāng)前時(shí)刻及之前的數(shù)據(jù)進(jìn)行下一時(shí)刻的數(shù)據(jù)計(jì)算，具有反饋性和記憶性。利用該特點(diǎn)使得傳感器信號(hào)恢復(fù)成為可能，將機(jī)電作動(dòng)系統(tǒng)指令輸入作為網(wǎng)絡(luò)輸入，選擇相應(yīng)的傳感器的輸出值作為神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，建立輸入與輸出之間的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，通過動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的記憶屬性，對(duì)故障的傳感器信號(hào)進(jìn)行識(shí)別和恢復(fù)重構(gòu)，同時(shí)也可以實(shí)現(xiàn)對(duì)非液態(tài)故障傳感器的信號(hào)恢復(fù)。此研究針對(duì)可用的兩類動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)：

(1)非線性動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

y(t)=f[x(t-1),…,x(t-d)]

(1)

(2)NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

y(t)=f[x(t-1),…,x(t-d),y(t-1),…,y(t-d)]

(2)

圖1及圖2展示了兩種網(wǎng)絡(luò)的結(jié)構(gòu)。這兩種網(wǎng)絡(luò)的特點(diǎn)是網(wǎng)絡(luò)輸出都與輸入的歷史值有關(guān)，但是這兩種神經(jīng)網(wǎng)絡(luò)的輸入到輸出分別為開環(huán)和閉環(huán)結(jié)構(gòu)?？梢钥闯觯悍蔷€性動(dòng)態(tài)網(wǎng)絡(luò)的輸出y(t)僅僅取決于輸入值x(t)，為開環(huán)結(jié)構(gòu)；對(duì)于NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，輸出y(t)還反饋到了輸入端，輸入x(t)和輸出y(t)的歷史值決定了y(t)，為閉環(huán)結(jié)構(gòu)。NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)具有反饋的自回歸特性，可以使得該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本更豐富[5]，大量的樣本有助于提高映射的準(zhǔn)確性。

圖1 非線性動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

圖2 NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

因此本文作者將這兩種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)應(yīng)用于機(jī)電作動(dòng)系統(tǒng)傳感器信號(hào)的恢復(fù)，在無法輸出正確的傳感器信號(hào)(包括信號(hào)喪失和信號(hào)異常)的情況下進(jìn)行信號(hào)恢復(fù)。

應(yīng)用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)算法的流程如圖3[6]所示： (1)運(yùn)行機(jī)電作動(dòng)系統(tǒng)模型獲取正常工作情況下的數(shù)據(jù)，包括位置指令信號(hào)和相應(yīng)的傳感器信號(hào)；(2)再將獲得的傳感器數(shù)據(jù)分為3組，分別用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、結(jié)果的驗(yàn)證和結(jié)果測(cè)試；(3)根據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)果的要求確定隱含層的神經(jīng)元數(shù)量、時(shí)延階數(shù)以及學(xué)習(xí)的規(guī)則與方法等；(4)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，觀察其訓(xùn)練的效果。

圖3 動(dòng)態(tài)網(wǎng)絡(luò)信號(hào)恢復(fù)的訓(xùn)練流程

2 傳感器信號(hào)恢復(fù)

取機(jī)電作動(dòng)系統(tǒng)指令信號(hào)作為輸入信號(hào)，即x(t)，在系統(tǒng)跟隨指令運(yùn)行過程中，相應(yīng)的位置傳感器測(cè)量系統(tǒng)實(shí)際輸出y(t)。根據(jù)輸入x(t)與傳感器信號(hào)y(t)構(gòu)建動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，并運(yùn)用指令輸入信號(hào)，對(duì)故障傳感器信號(hào)進(jìn)行重構(gòu)。利用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的記憶特性和自回歸特性，基于正常工作情況下的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，不需要考慮原始傳感器信號(hào)的狀態(tài)，就可以利用正常工作情況下的歷史值對(duì)未來狀態(tài)信號(hào)進(jìn)行重構(gòu)。

基于實(shí)驗(yàn)室的飛控機(jī)電作動(dòng)系統(tǒng)仿真平臺(tái)完成了機(jī)電作動(dòng)系統(tǒng)位置傳感器數(shù)據(jù)的獲取，并形成了指令信號(hào)-傳感器信號(hào)的訓(xùn)練數(shù)據(jù)樣本。

2.1 網(wǎng)絡(luò)訓(xùn)練結(jié)果比較

根據(jù)指令信號(hào)-位移傳感器信號(hào)組按照流程圖3分別建立了非線性和NARX兩種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，并完成位移傳感器的信號(hào)恢復(fù)。為了對(duì)這兩種網(wǎng)絡(luò)應(yīng)用于機(jī)電作動(dòng)器的性能和效果進(jìn)行對(duì)比，兩動(dòng)態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)相同。其中時(shí)延階數(shù)設(shè)置為2，時(shí)延參數(shù)即網(wǎng)絡(luò)反饋所需要的數(shù)據(jù)點(diǎn)數(shù)目；隱含層數(shù)目設(shè)置為20；網(wǎng)絡(luò)學(xué)習(xí)方法都選取了尋優(yōu)速度比較快的Levenberg-Marquardt(L-M)算法。圖4和圖5分別展示了非線性動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)與NARX網(wǎng)絡(luò)的網(wǎng)絡(luò)訓(xùn)練以及網(wǎng)絡(luò)線性回歸結(jié)果的對(duì)比。圖4中Epoch表示迭代次數(shù)；Time表示訓(xùn)練時(shí)間，與計(jì)算機(jī)性能有關(guān)；Performance表示網(wǎng)絡(luò)性能，即網(wǎng)絡(luò)誤差；Gradient表示網(wǎng)絡(luò)梯度，是網(wǎng)絡(luò)停止訓(xùn)練的判據(jù)之一；Mu表示Levenberg-Marquard方法中的訓(xùn)練參數(shù)；Validation Checks表示網(wǎng)絡(luò)驗(yàn)證失敗次數(shù)，驗(yàn)證失敗指網(wǎng)絡(luò)誤差經(jīng)迭代后反而上升的現(xiàn)象。

圖4 網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖5 網(wǎng)絡(luò)線性回歸

對(duì)比結(jié)果可見：

(1)由圖4中的Performance參數(shù)比較可得兩個(gè)網(wǎng)絡(luò)最終誤差均較小，表明網(wǎng)絡(luò)已經(jīng)過正確訓(xùn)練并可用，其中NARX網(wǎng)絡(luò)的誤差更小；驗(yàn)證檢查參數(shù)Validation Checks指神經(jīng)網(wǎng)絡(luò)利用訓(xùn)練樣本訓(xùn)練模型的過程中，確認(rèn)樣本的誤差曲線連續(xù)迭代不再下降的次數(shù)。其選取參考了網(wǎng)絡(luò)誤差，若網(wǎng)絡(luò)誤差上升則對(duì)其進(jìn)行記錄，默認(rèn)上限設(shè)為6次，圖中數(shù)值表明兩者均在經(jīng)歷6次驗(yàn)證失敗后終止訓(xùn)練。

(2)由圖5可得非線性動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集、驗(yàn)證集和測(cè)試集存在不擬合數(shù)據(jù)點(diǎn)，而NARX訓(xùn)練結(jié)束時(shí)網(wǎng)絡(luò)整體擬合性良好。同時(shí)由圖5(a4)、(b4)中的All相關(guān)系數(shù)可以看出，網(wǎng)絡(luò)訓(xùn)練結(jié)束后，網(wǎng)絡(luò)輸出(Output)與期望輸出(Target)形成的函數(shù)關(guān)系幾乎為正比例函數(shù)，表明網(wǎng)絡(luò)未發(fā)生過擬合現(xiàn)象，網(wǎng)絡(luò)擬合良好，其中NARX網(wǎng)絡(luò)相關(guān)系數(shù)更接近1，網(wǎng)絡(luò)輸出更接近真實(shí)值。

2.2 網(wǎng)絡(luò)誤差自相關(guān)及誤差互相關(guān)比較

圖6所示為非線性和NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)誤差曲線的對(duì)比。

圖6 網(wǎng)絡(luò)響應(yīng)相關(guān)圖

自相關(guān)誤差是用來估計(jì)訓(xùn)練樣本和神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的相關(guān)程度，互相關(guān)誤差用于得到不同輸入和網(wǎng)絡(luò)誤差的相關(guān)程度。模型擬合的效果與兩個(gè)誤差在不同延遲下置信區(qū)間內(nèi)的值的數(shù)量呈正相關(guān)[7]。由圖6可知，NARX網(wǎng)絡(luò)的兩個(gè)誤差相關(guān)系數(shù)比非線性動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)要小近一個(gè)數(shù)量級(jí)，表明NARX網(wǎng)絡(luò)具備了更好的性能，恢復(fù)結(jié)果更為準(zhǔn)確。

2.3 信號(hào)恢復(fù)結(jié)果比較

完成動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的建立后，將網(wǎng)絡(luò)應(yīng)用于位移傳感器信號(hào)恢復(fù)中，取信號(hào)前5個(gè)點(diǎn)的有效信息(長度約0.1 s)與指令信號(hào)輸入至訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，得到結(jié)果如圖7所示。

圖7所示為非線性動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)與NARX網(wǎng)絡(luò)預(yù)測(cè)恢復(fù)輸出的對(duì)比，該結(jié)果僅利用原信號(hào)前5個(gè)數(shù)據(jù)點(diǎn)，模擬了信號(hào)喪失情況，通過對(duì)比分析實(shí)驗(yàn)結(jié)果得出：

圖7 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)信號(hào)恢復(fù)圖

(1)相對(duì)于NARX網(wǎng)絡(luò)，非線性網(wǎng)絡(luò)為開環(huán)結(jié)構(gòu)，傳感器輸出沒有反饋到輸入端，由于輸入信息量的不足，其數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確性低。

(2)非線性網(wǎng)絡(luò)在響應(yīng)中出現(xiàn)了周期性的振蕩波動(dòng)，與原始數(shù)據(jù)的誤差大。

(3)NARX網(wǎng)絡(luò)具備良好的性能，與原始數(shù)據(jù)的擬合程度較好。

通過該結(jié)果分析可以得出：非線性神經(jīng)網(wǎng)絡(luò)為簡單的開環(huán)結(jié)構(gòu)，僅僅是時(shí)序信號(hào)之間的簡單映射關(guān)系，因此會(huì)導(dǎo)致網(wǎng)絡(luò)預(yù)測(cè)結(jié)果準(zhǔn)確性較差；相比之下，NARX神經(jīng)網(wǎng)絡(luò)中實(shí)際傳感器輸出信號(hào)同時(shí)反饋到了輸入端增加了網(wǎng)絡(luò)信息量，因此NARX網(wǎng)絡(luò)具備更加優(yōu)秀的性能與恢復(fù)結(jié)果?？紤]機(jī)電作動(dòng)系統(tǒng)傳感器信號(hào)具有的不確定性，NARX網(wǎng)絡(luò)可以更加有效解決傳感器故障后的信號(hào)恢復(fù)。

3 NARX網(wǎng)絡(luò)優(yōu)化

從前面的實(shí)驗(yàn)結(jié)果可得，針對(duì)文中的研究對(duì)象機(jī)電作動(dòng)系統(tǒng)，NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)更適用。但是其參數(shù)設(shè)置規(guī)則多依靠工程經(jīng)驗(yàn)和專家意見。目前的網(wǎng)絡(luò)誤差可以根據(jù)對(duì)參數(shù)設(shè)置的研究進(jìn)一步減小。為了增加神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)重構(gòu)的效果，對(duì)NARX網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，其中包括：時(shí)延階數(shù)、隱含層節(jié)點(diǎn)數(shù)以及學(xué)習(xí)方法三方面的優(yōu)化。

首先對(duì)不同學(xué)習(xí)方法下NARX網(wǎng)絡(luò)均方誤差進(jìn)行研究，對(duì)比同樣規(guī)格的NARX網(wǎng)絡(luò)分別采用L-M與貝葉斯正則化學(xué)習(xí)算法下的網(wǎng)絡(luò)均方差。由于即使在同一學(xué)習(xí)方法下的訓(xùn)練結(jié)果也不完全相同，實(shí)驗(yàn)對(duì)陷入局部最小值的特殊境況不做過多贅述，取10次訓(xùn)練結(jié)果的均方差平均值見表1。可以得到，同樣規(guī)格的NARX網(wǎng)絡(luò)，采用兩種不同學(xué)習(xí)方式下，L-M算法的誤差相對(duì)較小。

表1 L-M和貝葉斯正則化算法的誤差對(duì)比

接下來對(duì)比不同時(shí)延階數(shù)下NARX神經(jīng)網(wǎng)絡(luò)的誤差。采用L-M學(xué)習(xí)算法，時(shí)延階數(shù)分別設(shè)置為2、5、10、20四組。由表2可得：時(shí)延階數(shù)越大，誤差越小。由于階數(shù)越高會(huì)導(dǎo)致計(jì)算速度的降低，選擇時(shí)延階數(shù)為5。

表2 不同時(shí)延階數(shù)下NARX網(wǎng)絡(luò)均方誤差

最后對(duì)隱含層節(jié)點(diǎn)設(shè)置不同數(shù)量情況下的網(wǎng)絡(luò)誤差進(jìn)行對(duì)比[8]。采用L-M訓(xùn)練學(xué)習(xí)算法，由表3可得：隱函層節(jié)點(diǎn)數(shù)越多，網(wǎng)絡(luò)均方誤差越小。

表3 不同隱含層節(jié)點(diǎn)數(shù)下NARX網(wǎng)絡(luò)均方誤差

通過以上分析可得：

(1)對(duì)比不同學(xué)習(xí)方法確定Levenberg-Marquardt算法具備了更小的誤差,但該算法對(duì)計(jì)算機(jī)內(nèi)存具有較高要求。

(2)網(wǎng)絡(luò)性能隨著網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜化提升有所改善，如增大時(shí)延階數(shù)或者增加隱含層節(jié)點(diǎn)數(shù)。但隨著結(jié)構(gòu)復(fù)雜化程度的增加，計(jì)算速度會(huì)降低。

(3)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜引起訓(xùn)練時(shí)間的增加，這使得網(wǎng)絡(luò)容易陷入局部極小值情況，導(dǎo)致神經(jīng)網(wǎng)絡(luò)無法得到滿意結(jié)果，網(wǎng)絡(luò)訓(xùn)練出現(xiàn)過早停止問題。

為了對(duì)機(jī)電作動(dòng)系統(tǒng)中位置傳感器故障信號(hào)進(jìn)行恢復(fù)，采用L-M算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，根據(jù)前述神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化確定網(wǎng)絡(luò)時(shí)延階數(shù)取5，隱含層節(jié)點(diǎn)數(shù)取20。通過對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，可獲得更加準(zhǔn)確的恢復(fù)結(jié)果。

4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證故障信號(hào)恢復(fù)算法的有效性，基于所在實(shí)驗(yàn)室機(jī)電作動(dòng)系統(tǒng)半實(shí)物仿真裝置，針對(duì)故障傳感器通過文中的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行信號(hào)恢復(fù)實(shí)驗(yàn)驗(yàn)證。此機(jī)電作動(dòng)系統(tǒng)半實(shí)物仿真裝置包括控制管理與狀態(tài)監(jiān)控計(jì)算機(jī)、故障注入箱、機(jī)電作動(dòng)器，如圖8所示[9]，此實(shí)驗(yàn)裝置可進(jìn)行傳感器故障注入實(shí)驗(yàn)。

圖8 機(jī)電作動(dòng)系統(tǒng)實(shí)驗(yàn)平臺(tái)

系統(tǒng)工作原理為：控制管理與狀態(tài)監(jiān)控計(jì)算機(jī)負(fù)責(zé)發(fā)送機(jī)電作動(dòng)器的位置指令和故障設(shè)置信息；故障注入箱負(fù)責(zé)設(shè)置具體故障并將位置指令和故障信息傳遞給機(jī)電作動(dòng)器控制與驅(qū)動(dòng)箱；機(jī)電作動(dòng)器控制與驅(qū)動(dòng)箱經(jīng)過控制律計(jì)算發(fā)送電機(jī)指令驅(qū)動(dòng)電機(jī)運(yùn)動(dòng)，通過反饋電流和位置傳感器數(shù)據(jù)進(jìn)行閉環(huán)控制，使機(jī)電作動(dòng)器到達(dá)指令位置。實(shí)際位置同時(shí)通過故障注入箱反饋給控制管理和狀態(tài)監(jiān)控計(jì)算機(jī)進(jìn)行位置指令和實(shí)際位置的顯示對(duì)比。

本文作者開發(fā)的傳感器信號(hào)恢復(fù)算法可放置在機(jī)電作動(dòng)器控制與驅(qū)動(dòng)箱板卡中，將位置指令信號(hào)和正常工作情況下的位置傳感器信號(hào)作為輸入數(shù)據(jù)，傳遞至所設(shè)計(jì)的NARX網(wǎng)絡(luò)中進(jìn)行信號(hào)恢復(fù)，以獲得正確傳感器信號(hào)來進(jìn)行機(jī)電作動(dòng)器閉環(huán)控制。

首先建立了傳感器的故障模式，并進(jìn)行了傳感器故障注入實(shí)驗(yàn)，故障注入方法如圖9所示。隨后以位移傳感器斷開故障為例進(jìn)行了傳感器的信號(hào)恢復(fù)，將指令信號(hào)與故障前位移傳感器信號(hào)輸入至所設(shè)計(jì)的NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)中進(jìn)行恢復(fù)，仿真與實(shí)驗(yàn)平臺(tái)的恢復(fù)結(jié)果分別如圖10(a)和(b)所示。圖中指令信號(hào)選擇為幅值0.1、頻率0.1 Hz的正弦指令信號(hào)，在4 s時(shí)注入位置傳感器信號(hào)斷開的故障信號(hào)，算法將執(zhí)行信號(hào)恢復(fù)過程。

圖9 傳感器信號(hào)斷開故障情況下的舵面偏角

圖10 傳感器信號(hào)故障后恢復(fù)結(jié)果

結(jié)果表明：以正弦指令輸入為例，所設(shè)計(jì)的基于NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的傳感器信號(hào)恢復(fù)算法有效解決了傳感器非液態(tài)故障下的信號(hào)恢復(fù)，驗(yàn)證了文中所用NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)恢復(fù)方法的可行性和正確性。同時(shí)該方法可通過訓(xùn)練完成對(duì)其他輸入信號(hào)類型的恢復(fù)。

5 總結(jié)與展望

由于飛控機(jī)電作動(dòng)系統(tǒng)中傳感器信號(hào)具有一定的隨機(jī)性和不確定性，本文作者采用非線性和NARX兩種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)對(duì)傳感器故障后的信號(hào)進(jìn)行恢復(fù)研究，通過實(shí)驗(yàn)對(duì)比兩種網(wǎng)絡(luò)的信號(hào)恢復(fù)效果，得到以下結(jié)論：

(1)非線性動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上是開環(huán)，沒有反饋和記憶特性，僅是兩個(gè)時(shí)序信號(hào)的非線性映射，網(wǎng)絡(luò)輸入信息量少，網(wǎng)絡(luò)訓(xùn)練結(jié)果準(zhǔn)確性不及NARX網(wǎng)絡(luò)；

(2)NARX網(wǎng)絡(luò)利用自身自回歸特性，網(wǎng)絡(luò)訓(xùn)練信息更為充分，具備了最佳的恢復(fù)結(jié)果；

(3)利用優(yōu)化后的NARX網(wǎng)絡(luò)可針對(duì)非液態(tài)故障，有效解決信號(hào)喪失下的信號(hào)恢復(fù)問題。